【Trick】核技巧（kernel trick）

深藏阁楼爱情的钟 2022-06-03 01:46 214阅读 0赞

### 前言 ###

核函数在支持向量机中得到广泛应用，并且在降低高维运算复杂度的同时提高低维运算的准确率。

### 常用核函数 ###

SVM关键是选取核函数的类型，主要有线性核，多项式核，径向基核（RBF），sigmoid核。

<table> 
 <thead> 
 <tr> 
 <th align="center">核函数</th> 
 <th align="center">计算公式</th> 
 </tr> 
 </thead> 
 <tbody> 
 <tr> 
 <td align="center">线性核</td> 
 <td align="center"> K ( x i , x j ) = x i T x j K(x_i,x_j)=x^T_ix_j K(xi,xj)=xiTxj</td> 
 </tr> 
 <tr> 
 <td align="center">多项式核</td> 
 <td align="center"> K ( x i , x j ) = ( γ x i T x j + b ) d K(x_i,x_j)=(\gamma x_i^Tx_j+b)^d K(xi,xj)=(γxiTxj+b)d</td> 
 </tr> 
 <tr> 
 <td align="center">径向基核/高斯核</td> 
 <td align="center"> K ( x i , x j ) = e x p ( − γ ∣ ∣ x i − x j ∣ ∣ 2 ) K(x_i, x_j)=exp(-\gamma \mid \mid x_i-x_j \mid\mid ^2) K(xi,xj)=exp(−γ∣∣xi−xj∣∣2)</td> 
 </tr> 
 <tr> 
 <td align="center">sigmoid核</td> 
 <td align="center"> K ( x i , x j ) = t a n h ( γ x i T x j + b ) K(x_i, x_j)=tanh(\gamma x_i^T x_j + b) K(xi,xj)=tanh(γxiTxj+b)</td> 
 </tr> 
 </tbody> 
</table>

#### 线性核 ####

主要用于线性可分的情形。参数少，速度快，对于一般数据，分类效果已经很理想了。

#### 多项式核 ####

多项式核的参数比RBF多，而参数越多模型越复杂

#### RBF核 ####

RBF核主要用于线性不可分的情形。参数多，分类结果非常依赖于参数。有很多人是通过训练数据的交叉验证来寻找合适的参数，不过这个过程比较耗时。  
使用libsvm，默认参数，RBF核比Linear核效果稍差。通过进行大量参数的尝试，一般能找到比linear核更好的效果。  
至于到底该采用哪种核，要根据具体问题，有的数据是线性可分的，有的不可分，需要多尝试不同核不同参数。如果特征的提取的好，包含的信息量足够大，很多问题都是线性可分的。  
当然，如果有足够的时间去寻找RBF核参数，应该能达到更好的效果。  
这些函数中应用最广的应该就是RBF核了，无论是小样本还是大样本，高维还是低维等情况，RBF核函数均适用，它相比其他的函数有一下优点：

1.  RBF核函数可以将一个样本映射到一个更高维的空间，而且线性核函数是RBF的一个特例，也就是说如果考虑使用RBF，那么就没有必要考虑线性核函数了。
2.  与多项式核函数相比，RBF需要确定的参数要少，核函数参数的多少直接影响函数的复杂程度。另外，当多项式的阶数比较高时，核矩阵的元素值将趋于无穷大或无穷小，而RBF则在上，会减少数值的计算困难。
3.  对于某些参数，RBF和sigmoid具有相似的性能。

#### sigmoid核 ####

下面是吴恩达的见解：

1.  如果Feature的数量很大，跟样本数量差不多，这时候选用LR或者是Linear Kernel的SVM
2.  如果Feature的数量比较小，样本数量一般，不算大也不算小，选用SVM+Gaussian Kernel
3.  如果Feature的数量比较小，而样本数量很多，需要手工添加一些feature变成第一种情况

\-更新时间：2021-05-06